Ứng dụng mô hình mạng thần kinh nhân tạo trong quản trị rủi ro tín dụng tại một số ngân hàng thương mại trên địa bàn thành phố Biên Hòa

Tạp chí Khoa học Lạc Hồ ng
Số 5 (2016), trang 31-35

Journal of Science of Lac Hong University
Vol. 5 (2016), pp. 31-35

ỨNG DỤNG MÔ HÌNH MẠNG THẦN KINH NHÂN TẠO TRONG QUẢN
TRỊ RỦI RO TÍN DỤNG TẠI MỘT SỐ NGÂN HÀNG THƯƠNG MẠI TRÊN
ĐỊA BÀN THÀNH PHỐ BIÊN HÒA
Applying artificial neural network in managing credit risks at commercial
banks in Bien Hoa City
Đào Trọng Thịnh1, Doãn Văn Toàn 2
,

Khoa Tài chính – Kế toán
Trường Đại học Lạc Hồng, Đồng Nai

Đến tòa soạn: 20/5/2016; Chấp nhận đăng: 23/7/2016

Tóm tắt. Dựa vào cơ sở lý thuyết về rủi ro tín dụng và quản trị
rủi ro tín dụng, bài viết phân tích được thực trạng quản trị rủi
ro tín dụng của một số ngân hàng thương mại trên địa bàn
thành phố Biên Hòa giai đoạn 2012-2014. Từ đó đưa ra những
nhận xét, đánh giá về thực trạng quản trị rủi ro tín dụng tại
một số ngân hàng thương mại này hiện nay. Bài viết sử dụng
mô hình mạng thần kinh nhân tạo trong quản trị rủi ro tín
dụng, và nêu ra được một số giải pháp và kiến nghị nhằm
nâng cao chất hiệu quả của công tác quản trị rủi ro tín dụng,
giảm thiểu những rủi ro không mong muốn cho ngân hàng.
Từ khoá: Rủi ro; Quản trị; Ngân hàng; Tín dụng; Mô hình ANN
Abstract. According to the theoretical bases of credit risk and

credit risk management, this study analyzes the situation of
credit risk management activities in some commercial banks
in Bien Hoa city during the period 2012- 2014, then identifies
some key issues to deal with the situation. By applying
artificial neural network model for credit risk management,
this study also provides suggestion for commercial banks to
improve their credit risk management activities in an effort of
reduce actual loan defaults.
Keywords: Risk; Management; Bank; Credit; Model ANN

1. GIỚI THIỆU
Tín dụng là hoạt động chủ yếu mang lại nhiều lợi nhuận
cho các ngân hàng nói chung và ngân hàng thương mại nói
riêng. Tuy nhiên trong quá trình cấp tín dụng phải trải qua
nhiều bước và nhiều công đoạn khác nhau, sẽ dẫn đến nhiều
vấn đề phát sinh từ khi nhận hồ sơ cho đến khi đưa ra quyết
định cấp tín dụng, rất dễ phát sinh các rủi ro mất vốn do sơ
suất trong quá trình kiểm tra, phân tích, thẩm định.
Từ những vấn đề bất cập trên về công tác quản trị và
giảm thiểu rủi ro trong hoạt động cấp tín dụng nên nhóm
tác giả quyết định nghiên cứu đề tài: “Ứng dụng mô hình
mạng thần kinh nhân tạo trong quản trị rủi ro tín dụng tại
một số ngân hàng thương mại trên địa bàn Thành phố Biên
Hòa” như là một công cụ giúp cán bộ tín dụng đưa ra quyết
định chính xác hơn trong quá trình thẩm định, xem xét năng
lực của khách hàng có đảm bảo hay không.
Nhiều công trình nghiên cứu trong và ngoài nước đã tiến
hành nghiên cứu vấn đề này và có những phát hiện quan
trọng tạo nền tảng cho nghiên cứu này. Cụ thể, Dadios &

Solis [1] đã sử dụng mô hình mạng thần kinh nhằm giải
quyết vấn đề quản trị rủi ro tín dụng và chỉ ra 16 biến có
ảnh hưởng tới rủi ro tín dụng, cho thấy tính khả dụng của
mô hình là khá chính xác và đáng tin cậy. Hay, Jagric & c.s.
[2] đã đưa ra mô hình mạng thần kinh nhằm giải thích mối
quan hệ giữa các biến và rủi ro tín dụng tại 2 ngân hàng bán
lẻ tại Slovenia; đồng thời đưa ra 19 biến ảnh hưởng tới mô
hình quản trị rủi ro tín dụng. Mô hình đã cho thấy sự vượt
trội hơn so với các mô hình khác trong dự báo [2]. Bên
cạnh đó, Trịnh Nguyễn Thanh Hải [3] đã khái quát cơ sở lý
luận về quản trị rủi ro tín dụng từ đó xây dựng và ứng dụng
được mô hình mạng thần kinh nhân tạo nhằm hỗ trợ quyết
định cấp dụng tại các Ngân hàng thương mại Việt Nam.
2. NỘI DUNG NGHIÊN CỨU
2.1 Phương pháp nghiên cứu
- Dữ liệu thứ cấp: Thu thập từ hai nguồn, thứ nhất từ việc
tham khảo các hợp đồng tín dụng đã được cán bộ, nhân
viên tín dụng hoàn thành đã được cấp trên thông qua và ra
phán quyết tín dụng xem hồ sơ đó có được chấp nhận cho
vay hay từ chối; thứ hai nguồn thu thập từ các nguồn từ
các ngân hàng cung cấp và một số nguồn khác từ Internet,
sách báo, tạp chí.
- Đối tượng nghiên cứu: Quản trị rủi ro trong hoạt động cấp
tín dụng.
- Đối tượng khảo sát: Các hồ sơ cấp tín dụng tại một số
Ngân hàng thương mại trên địa bàn Thành phố Biên Hòa.
- Thời gian nghiên cứu: Đề tài nghiên cứu trong phạm vi 3
năm: 2012, 2013, 2014.
- Không gian nghiên cứu: Tại một số Ngân hàng trên địa
bàn thành phố Biên Hòa như: Agribank, Vietinbank,

Sacombank, Đông Á, MBbank.
2.2 Thiết lập mô hình nghiên cứu
Số lớp ẩn: Theo Cybenko [4], việc sử dụng một lớp ẩn là
đủ để mạng thần kinh nhân tạo có thể xử lý, mô phỏng và
dự báo được nhiều mô hình có dạng phi tuyến và cho kết
quả có độ chính xác cao. Ngoài ra , nhóm tác giả còn chạy
thực nghiệm so sánh kết quả giữa mô hình một lớp ẩn và
hai lớp ẩn thì thu được kết quả ở một lớp ẩn có độ chính
xác cao hơn so với hai lớp. Vì thế, nhóm tác giả sẽ sử dụng
mô hình với một lớp ẩn trong bài.

Tạp chí Khoa học Lạc Hồng Số 05

31


Applying artificial neural network in managing credit risks at commercial banks in Bien Hoa city
Số nơ-ron trong lớp ẩn: Theo đề xuất của Bailey &
Thompson [5], từ các nghiên cứu thực nghiệm thì lựa chọn
số nơ-ron trong lớp ẩn sẽ được xác định như sau: Mạng
thần kinh nhân tạo bao gồm ba lớp, gồm n lớp nơ-ron đầu
vào và m lớp nơ-ron đầu ra vì thế mà số nơ-ron lớp ẩn sẽ có
nơ-ron. Số nơ-ron ẩn trong mạng thần kinh ba lớp
sẽ chiếm khoảng 75% số nơ-ron đầu vào. Số nơ-ron ẩn tối
ưu trong mạng nên ở mức ½ đến 3 lần số nơ -ron đầu vào.
Nhân đôi số lượng nơ-ron ẩn cho đến khi phần dữ liệu dùng
để kiểm tra trở nên xấu đi vì theo nguyên tắc thì chọn mô
hình mạng thần kinh hoạt động tốt trên phần dữ liệu dủng
để kiểm tra với số lượng lớp ẩn là ít nhất.

Số lượng các nơ-ron đầu ra: Nhóm tác giả nghiêng về
hướng xây dựng mô hình mang tính định lượng, có nghĩa là
sau khi thu thập số liệu từ các hồ sơ thực tế, xử lý số liệu
rồi đưa vào mô hình, điều chỉnh các thông số, tiến hành
chạy thực nghiệm và sau đó mô hình sẽ xuất ra kết quả là
cho vay hay từ chối cho vay. Nên trong bài này, nhóm tác
giả chỉ dùng một nơ-ron đầu ra [6].
Lựa chọn hàm truyền: Có các loại hàm truyền như hàm
truyền tuyến tính, phi tuyến tính, hàm phức, v.v… Khi sử
dụng các hàm truyền thì các dữ liệu phải được chuẩn hóa
nằm trong ngưỡng giới hạn quy định của hàm truyền đó.
Đối với hàm truyền tuyến tính khi chạy mô hình với các
biến số kinh tế thì tỏ ra kém khả dụng; vì thế, sử dụng hàm
phi tuyến tính trong trường hợp này sẽ cho kết quả một
cách tốt hơn, còn đối với việc chạy mô hình với các biến
đầu vào với giá trị liên tục thì việc sử dụng hàm truyền
tuyến tính sẽ thích hợp hơn. Với chương trình Matlab mà
nhóm tác giả sử dụng trong bài nghiên cứu này có tích hợp
3 loại hàm truyền như : LogSig, TanSig, PureLin. Mô hình
sử dụng thuật toán BackPropagation kết hợp với
Momentum để điều chỉnh trọng số của mô hình nhằm giảm
thiểu sai số và tìm ra mô hình tối ưu. Khi khởi tạo chương
trình, nhóm tác giả sử dụng: hàm huấn luyện TraindGDX,
hàm thích ứng LearnGDM để tự thích ứng điều chỉnh trọng
số của mô hình và sử dụng hàm truyền LogSis , nhằm tạo ra
kết quả mang tính chính xác và hiệu quả [6,7].
Các tiêu chuẩn đánh giá: Trong bài nghiên cứu, nhóm
tác giả sẽ trích 2% trong tổng mẫu để chạy thực nghiệm sau
đó thống kê % kết quả chính xác, nếu kết quả đạt độ chính
xác từ 80% trở lên, được đánh giá là tốt; ngoài ra, ta còn

dựa vào đồ thị huấn luyện và đồ thị phân tích hồi quy thu
được từ kết quả chạy mô hình [6,7].

động của chúng, qua đó sẽ phòng ngừa rủi ro một cách hiệu
quả hơn. Đồng thời lượng hóa được mức độ ảnh hưởng tới
ngân hàng.

Kiểm soát rủi ro: Là bước quan trọng nhất. Bao gồm
các biện pháp, kỹ thuật, công cụ, chiến lược, các chương
trình hoạt động để ngăn ngừa, phòng tránh hoặc giảm thiểu
những tổn thất, những ảnh hưởng không mong đợi có thể
xảy ra đối với ngân hàng.
Tài trợ rủi ro: Trước hết cần theo dõi, xác định chính
xác những tổ n thất về tài sản, nguồn nhân lực hoặc về giá
trị pháp lý. Sau đó, cần thiết lập các biện pháp tài trợ phù
hợp.

Tình hình hoạt động tín dụng tại các ngân hàng thương
mại được khảo sát trong nghiên cứu này được thể hiện
trong Biểu đồ 1 như sau:

Biểu đồ 1. Tình hình huy động vốn của một số ngân hàng trên địa
bàn Thành phố Biên Hòa giai đoạn 2012-2014 (tỷ đồng)

Nhìn chung, tình huy động vốn của các ngân hàng có xu
hướng tăng đều qua các năm từ 2012 đến 2014, xét về mức
tăng và giá trị tăng trưởng của tình hình huy động ta thấy
hai ngân hàng Vietinbank và Sacombank vẫn đứng đầu ở
mảng huy động.
Còn xét về tình hình dư nợ tại các ngân hàng thương

mại được khảo sát trong nghiên cứu này, Biểu đồ 2 cho
thấy tổng dư nợ của các ngân hàng trên địa bàn thành phố
Biên Hòa 2012 -2014 có xu hướng tăng đều qua các năm.
Trong đó tăng mạnh nhất là ngân hàng Vietinbank,
Sacombank, Đông Á, MB Bank.

Huấn luyện mô hình: Việc huấn luyện mô hình sẽ được
thực hiện bằng nhiều loại thuật toán phù hợp, với các loại
mô hình khác nhau. Có hai loại huấn luyện, đó là huấn
luyện có giám sát và huấn luyện không có giám sát [6,7].
2.3 Thực trạng về công tác quản trị rủi ro tín dụng
Mô hình quản trị rủi ro tín dụng được trình bày trong Sơ
đồ 1 như sau [8]:
Nhận diện rủi ro: đây là quá trình liên tục và có hệ
thống, các hoạt động của ngân hàng nhằm thống kê các loại
rủi ro mà ngân hàng gặp phải, từ đó đưa ra biện pháp kiểm
soát phù hợp.

Sơ đồ 1. Mô hình quản trị rủi ro tín dụng

Phân tích, đo lường rủi ro: Tìm ra các nguyên nhân, tác

32

Tạp chí Khoa học Lạc Hồng Số 05

Biểu đồ 2. Tình hình dư nợ của một số ngân hàng trên địa bàn Tp.
Biên Hòa giai đoạn 2012-2014 (tỷ đồng)

Biểu đồ 3 thể hiện hệ số thu hồi nợ tại một số ngân hàng

thương mại trên địa bàn TP Biên Hòa và ta thấy rằng ngân
hàng Đông Á có sự thay đổi đột biến nhất.


Đào Trọng Thịnh, Doãn Văn Toàn

Biểu đồ 3. Hệ số khả năng thu hồi nợ của một số ngân hàng trên
địa bàn Tp. Biên Hòa giai đoạn 2012-2014

Hệ số vòng quay vốn tín dụng của các ngân hàng có xu
hướng giảm trong giai đoạn từ 2012-2014 như được thể
hiện trong Biểu đồ 4; theo đó, nguyên nhân một phần là do
sự biến động của nền kinh tế nói chung và của ngành ngân
hàng nói riêng. Vượt trội trong các ngân hàng nói trên đó
chính là ngân hàng Sacombank, với doanh số cho vay cao
nhất đồng nghĩa với vòng quay vốn tín dụng là lớn nhất.

Biểu đồ 6. Hiệu quả sử dụng vốn của một số ngân hàng trên địa
bàn Tp. Biên Hòa giai đoạn 2012-2014

Chứng tỏ rằng công tác quản lý nợ của ngân hàng còn
kém, nguy cơ rủi ro mất vốn là rất cao. Trong khi đó,
Vietinbank là ngân hàng dẫn đầu, với tình hình sử dụng vốn
hợp lý và hiệu quả cao so với các ngân hàng khác, như
được thể hiện trong Biểu đồ 6. Đồng thời, Biểu đồ 7 thấy
rằng hệ số an toàn vốn tối thiểu của các ngân hàng trên đều
có xu hướng tăng qua các năm và đều đạt được mức yêu
cầu của NHNN là 9%. Nếu so với mức an toàn vốn của các
ngân hàng thương mại trong khu vực thì hệ số an toàn vốn
của Việt Nam vẫn là khá t hấp. Do đó, các ngân hàng cần

nâng cao hệ số an tòan vốn tối thiểu để có thể chống lại
những biến động bất ổn của nền kinh tế thị trường hiện nay.

Biểu đồ 4. Hệ số vòng quay vốn tín dụng của một số ngân hàng
trên địa bàn Tp. Biên Hòa giai đoạn 2012-2014

Biểu đồ 5 cho thấy có sự biến động rõ rệt ở các ngân
hàng qua các năm từ năm 2012 đến năm 2014, sự chuyển
biến đáng chú ý nhất đó là ngân hàng Đông Á với tỷ lệ nợ
quá hạn luôn ở mức cao khoảng hơn 25%. Theo sau đó là
Agribank tỷ lệ nợ quá hạn năm 2014 lên tới 20%.

Biểu đồ 7. Hệ số an toàn vốn tối thiểu của một số ngân hàng trên
địa bàn Tp. Biên Hòa giai đoạn 2012-2014

2.4 Mô hình nghiên cứu và các biến
Dựa trên các nghiên cứu liên quan và những bàn luận
như trên, mô hình nghiên cứu trong bài viết này được thể
hiện như trong Sơ đồ 2; trong đó, các biến độc lập được
trình bày trong Bảng 1 và biến phụ thuộc Y chính là quyết
định cấp tín dụng.

Biểu đồ 5. Tỷ lệ nợ quá hạn của một số ngân hàng trên địa bàn
Tp. Biên Hòa giai đoạn 2012-2014
Sơ đồ 2. Mô hình nghiên cứu đề xuất

Cấu trúc mô hình nghiên cứu được thể hiện trong Sơ đồ 3;

Tạp chí Khoa học Lạc Hồng Số 05

33


Applying artificial neural network in managing credit risks at commercial banks in Bien Hoa city
theo đó, số lượng nơ-ron đầu vào là 17 nơ-ron; một lớp ẩn,
trong đó bao gồm 10 nơ -ron ẩn; một lớp nơ -ron đầu ra
trong đó bao gồm 1 nơ-ron phát tín hiệu đầu ra (xem Sơ đồ
3).

lệch thấp, điều này cho thấy giá trị khi được kiểm tra sẽ có
độ chính xác và sát với thực tế hơn từ nguồn dữ liệu được
thu thập từ những hồ sơ cấp tín dụng, phù hợp với mục tiêu
mà nhóm tác giả đã đề ra.
Ta thấy rằng, R của mô hình có giá trị huấn luyện =
0,92311, giá trị chuẩn = 0,98705, giá trị kiểm tra = 0,90786,
giá trị tổng =0,91656, các giá trị R này đều ở mức cao; điều
này cho thấy kết quả của dự báo mang tính chính xác cao,
nghĩa là nếu R càng lớn thì mô hình cho ra kết quả có độ tin
cậy cao.

Sơ đồ 3. Cấu trúc mô hình mạng thần kinh 1 lớp ẩn
Bảng 1. Các biến độc lập trong mô hình
X01 - Tuổi người đi vay
X02 - Gia cảnh khách hàng so với mặt bằng vùng
X03 - Trình độ học vấn
X04 - Tình trạng sở hữu nhà ở
X05 - Số người phụ thuộc
X06 - Cơ cấu gia đình hiện tại
X07 - Mức thu nhập ròng hàng tháng
X08 - Thu nhập của gia đình/ năm

X09 - Tỷ lệ thu nhập ròng trên tổng số tiền phải trả
X10 - Thời gian công tác tại cơ quan hiện tại
X11 - Thời gian làm công việc hiện tại
X12 - Nghề nghiệp
X13 - Thời gian vay
X14 - Tình hình trả nợ gốc và lãi trong 12 tháng vừa qua cho
các tổ chức tín dụng
X15 - Tổng dư nợ hiện tại
X16 - Các dịch vụ khác sử dụng của ngân hàng
X17 - Số dư tiền gửi tiết kiệm trung bình tại ngân hàng

Cho nên, mô hình tổng thể được thể hiện như sau:
Y=X1W1+b1+ X2W2+b2+ X3W3+b3+ X4W4+b4+ X5W5+b5 +
X6W6+b6+ X7W7+b7+ X8W8+b8+ X9W9+b9+ X10W10+b10+
X11W11+b11+ X12W12+b12+ X13W13+b13+ X14W14+b14+
X15W15+b15+ X16W16+b16+ X17W17+b17
trong đó: Wi là trọng số liên kết do mô hình tự khởi tạo; bi
là độ lệch do chương trình tự điều chỉnh cho phù hợp mô
hình (i=1,2,…,17).

2.5 Kết quả nghiên cứu từ mô hình
Đồ thị huấn luyện mạng thần kinh nhân tạo (ANN) trong
nghiên cứu này được thể hiện trong Hình 1.

Hình 2. Kết quả phân tích mô hình hồi quy

Căn cứ vào tổng số mẫu là 3003 dữ liệu được thu thập từ
các hồ sơ cấp tín dụng thực tế, nhóm tác giả quyết dịnh
trích 2% (tương ứng với 60 mẫu) để tiến hành chạy thực
nghiệm mô hình và so sánh với các quyết định đã được cán

bộ tín dụng đưa ra trước đó.
· Nếu Output ≥ 0,5 thì “Chấp nhận cấp tín dụng”.
· Nếu Output ≤ 0,5 thì “Từ chối cấp tín dụng”.
Theo như bảng kết quả thu được từ việc chạy mô hình, ta
thống kê được rằng trong 2% mẫu ngẫu nhiên được sử dụng
(tương ứng với 60 giá trị được dùng để chạy thực nghiêm
mô hình), có 57 mẫu đã được dự đoán chính xác so với
quyết định thực tế (tương ứng với độ chính xác là 95%).
Điều đặc biệt ở ba kết quả thứ: 20, 48, 59 có dự đoán khác
so với thực tế, nghĩa là trong khi cán bộ tín dụng đưa ra
quyết định không cấp tín dụng cho khách hàng nhưng mô
hình lại đề xuất kết quả là chấp nhận cấp tín dụng cho vay
và ngược lại. Nguyên nhân có thể là do một yếu tố nào đó
mà kết quả dự đoán khác với phán quyết của cán bộ tín
dụng đã đưa ra, từ đó tiến hành truy xuất hồ sơ thẩm định
lại, nhằm tạo tiền đề cho việc nâng cao hoạt động quản trị
rủi ro tín dụng tại các ngân hàng thương mại.

3. KẾT LUẬN VÀ GỢI Ý CHÍNH SÁCH

Hình 1. Đồ thị huấn luyện mạng thần kinh nhân tạo.

Ta thấy rằng, đường kiểm tra (Test), đường chuẩn dùng
để phê duyệt (Validation) biến thiên cùng chiều và có độ

34

Tạp chí Khoa học Lạc Hồng Số 05

Qua phân tích thực trạng về công tác quản trị rủi ro tín

dụng, tình hình huy động, dư nợ, thu nợ và các chỉ tiêu
đánh giá chất lượng hoạt động của các ngân hàng cũng như
việc tiến hành chạy, phân tích mô hình với kết quả có độ
chính xác lên tới 95%, nhóm tác giả đánh giá là sát với tình
hình thực tế, tính khả dụng của mô hình cao. Sau khi thu
được kết quả thì tiến hành thống kê lại kết quả, bằng những
phép so sánh, nhóm tác giả lọc ra những dự đoán khác với
những quyết định tín dụng trên hồ sơ thực tế, tiến hành truy
vấn hồ sơ xem xét và đánh giá lại, nhóm tác giả có kết luận
rằng, việc sử dụng mô hình mạng thần kinh nhân tạo đối
với đề tài nghiên cứu nghiêng về mang tính định lượng để
cán bộ tín dụng tham khảo, hỗ trợ đưa ra quyết định một


Đào Trọng Thịnh, Doãn Văn Toàn
cách tốt hơn. Cho nên, mô hình này có thể được áp dụng
trong thực tiễn của ngành ngân hàng nói chung và các ngân
hàng thương mại tại Tp. Biên Hòa nói riêng. Cụ thể, nhóm
tác giả xin đề xuất một số giải pháp sau:
Giải pháp từ kết quả mô hình nghiên cứu:
Cán bộ tín dụng phải thu thập thông tin đầy đủ và chính
xác về khách hàng của mình để có thể phòng tránh và xử lý
kịp thời những trường hợp xấu nhất có thể xảy ra. Mặt
khác, các cán bộ tín dụng phải đánh giá khách quan khách
quan về nhiều mặt như: tình trạng pháp lý, khả năng trả nợ
vay, tài sản đảm bảo. v.v…
Đồng thời có thể xây dựng mô hình định lượng để hỗ trợ
đưa ra quyết định cấp tín dụng phù hợp và đúng đắn hơn.
Hoặc các nhà quản trị có thể sử dụng mô hình này trong
công tác quản lý, xem xét và đánh giá lại các hồ sơ để từ đó

đưa ra quyết định cấp tín dụng hiệu quả và mang tính chính
xác hơn, nhằm giảm thiểu rủi ro.
Ngoài ra, nhà quản trị cũng có thể xem qua các hồ sơ đã
đưa ra quyết định hay bị từ chối cấp tín dụng để từ đó nắm
bắt thông tin sau đó nhập các dữ liệu đầu vào để thông qua
mô hình xuất ra kết quả mang tính kiểm tra và tham khảo
và sau đó kiểm tra, nếu kết quả chạy ra đúng so với thực tế
thì tốt, nếu kết quả sai lệch so với quyết định thực tế thì nhà
quản trị tiến hành xem xét lý do tại sao kết quả lại khác.
Giải pháp từ thực trạng quản trị rủi ro tín dụng:
Hoàn thiện các quy định, chính sách tín dụng phù hợp
với thực tế, tuân thủ theo quy định pháp luật của nhà nước:
Các chính sách, quy định của ngân hàng phải bắt buộc thực
hiện và xây dựng tuân thủ một cách nghiêm túc và đầy đủ
theo quy định của pháp luật nhằm hạn chế tối đa các rủi ro
có thể xảy ra. Đặc biệt là trong quá trình cấp tín dụng vì đây
là khâu quan trọng nhất, khả năng rủi ro cho vay rất cao,
gây thiệt hại lớn về tài sản cũng như uy tín của ngân hàng.
Hoàn thiện quy trình thẩm định và quản lý rủi ro của các
khoản vay: Luôn tìm hiểu và phân tích thông tin về khách
hàng để ra quyết định cho vay. Thực hiện tốt công tác thẩm
định, giám sát trước và sau khi vay cũng rất quan trọng và
cần được thắt chặt và tìm hiểu kĩ càng. Điều này đòi hỏi cán
bộ tín dụng phải nắm bắt và am hiểu được kiến thức cơ bản
về thị trường, đặc trưng của từng loại đối tượng khách hàng
hoặc các ngành nghề, công việc khác nhau. Nếu thiếu đi
những yếu tố này có thể khiến quyết định cấp tín dụng sai
từ đó gây ra rủi ro cho ngân hàng.
Hoàn thiện hệ thống công nghệ thông tin: Các ngân hàng
cần phải hoàn thiện và xây dựng hệ thống thông tin tiên

tiến, hiện đại, ổn định. Thường xuyên kiểm tra bảo trì, bảo
dưỡng kịp thời thay bổ sung khi cần thiết để đảm bảo hoạt
động ổn định trong mọi trường hợp đảm bảo nhanh chóng
và chính xác trong ngân hàng nhằm nắm bắt tốt các thông
tin về khách hàng, quản lý tốt các khoản vay cũng như đo
lường và phòng tránh được được các rủi ro các thể xảy ra,
giảm thiểu tối đa thiệt hại cho ngân hàng.
Nâng cao chất lượng, ý thức của đội ngũ cán bộ tín
dụng, kiểm tra, kiểm soát: các ngân hàng phải xây dựng và
hoàn chỉnh được một quy chế tuyển dụng và tuân thủ
nghiêm ngặt quy chế này để có được nguồn nhân lực tốt,
chuyên nghiệp phù hợp với khối lượng công việc. Thường
Đào Trọng Thịnh
Lớp 11TC311, Đại học Lạc Hồng, Đồng Nai.

xuyên mở các lớp tập huấn về chuyên môn, nghiệp vụ
nhằm nâng cao năng lực trình độ thẩm định, trình độ quản
lý khách hàng. Không chỉ đào tạo về chuyên môn mà đào
tạo về phẩm chất đạo đức là một yêu cầu hết sức quan
trọng. Chế độ tiền lương, đãi ngộ, v.v… cần được quan tâm
đúng mức để thu hút nhân tài phục vụ cho hoạt động ngân
hàng.
Hoàn thiện các công cụ, biện pháp kỹ thuật kiểm soát rủi
ro tín dụng: Thực hiện chính sách quản lý rủi ro tín dụng,
mô hình giám sát rủi ro tín dụng, phương pháp xác định và
đo lường rủi ro tín dụng có hợp lý và hiệu quả, trong đó bao
gồm cách thức đánh giá về khả năng trả nợ của khách hàng,
hợp đồng tín dụng, các tài sản bảo đảm, khả năng thu hồi
nợ và quản lý nợ của tổ chức tín dụng bằng các biện pháp
như: mô hình xếp hạng của Moody’s và Standard & Poor’s,

mô hình chất lượng dựa trên yếu tố 6C, mô hình điểm số Z
(Z - Credit scoring model), v.v…
4. LỜI CẢM ƠN
Chúng em xin gửi lời tri ân sâu sắc nhất tới quý Thầy, Cô
giảng viên Khoa Tài chính – Kế toán, những người đã từng
giảng dạy chúng em trong thời gian qua. Đặc biệt, chúng
em muốn gửi lời cảm ơn chân thành tới Thầy Th.s Nguyễn
Cao Quang Nhật đã nhiệt tình giúp đỡ và hướng dẫn chúng
em thực hiện bài nghiên cứu này. Tiếp theo, chúng em xin
gửi lời cảm ơn tới Ban lãnh đạo và các anh chị phòng kế
hoạch - kinh doanh của Ngân hàng TMCP Sài Gòn Thương
Tín chi nhánh Đồng Nai và Ngân hàng Nông nghiệp và
phát triển nông thôn Việt Nam chi nhánh Biên Hòa đã tạo
điều kiện cho chúng em được thực tập và tiếp xúc với thực
tế, bổ sung thêm nền tảng kiến thức để hoàn thành bài báo
cáo và trang bị cho công việc sau này.

5. TÀI LIỆU THAM KHẢO
[1] Elmer P. Dadios, James Solis, “Fuzzy-Neuro Model for
Intelligent Credit Risk Management”, Intelligent Information
Management, Vol. 4, No. 5, pp. 251-260, 2012.
[2] Jagric V., Kracun D., Jagric T., “Does non-linearity matter in
retail credit risk modeling?”, Czech Journal of Economics and
Finance, Vol. 61, No. 4, pp. 384-402, 2011.
[3] Trịnh Nguyễn Thanh Hải, “”Ứng dụng mô hình ANN trong hỗ
trợ quyết định cấp tín tại các NHTM Việt Nam”, Tập san Đại
Học Kinh Tế TP HCM, 2013.
[4] Cybenko G.,“Approximation by superpositions of a sigmoidal
function”, Mathematics of Control, Signals, and Systems, Vol.
2, pp. 303-314, 1989.

[5] Bailey D., Thompson D., “How to develop neural-network
applications”, AI Expert, Vol. 5, No. 6, papes 38-47, 1990.
[6] Nguyễn Đình Thúc, “Trí tuệ nhân tạo - Mạng Nơron – Phương
pháp và ứng dụng”, NXB Giáo dục, tr. 34-40, 2000.
[7] Lê Đạt Chí, “Ứng dụng mô hình mạng thần kinh nhân tạo
trong dự báo kinh tế-trường hợp thị trường chứng khoán Việt
Nam”, Luận án Tiến sĩ Kinh tế, Đại học Kinh tế, tr. 19-25,
2011.
[8] Phạm Thị Nghiêm Trang, “Phân tích các yếu tố tác động đến
quản trị rủi ro tín dụng tại ngân hàng thương mại cổ phần
Ngoại thương Việt Nam – Chi nhánh Đồng Nai”, Báo cáo
NCKH Trường Đại Học Lạc Hồng, 2014.

TIỂU SỬ TÁC GIẢ
Doãn Văn Toàn
Lớp11TC117, Đại học Lạc Hồng, Đồng Nai.

Tạp chí Khoa học Lạc Hồng Số 05

35